[发明专利]一种基于物理指导的机器学习算法的钢铁材料设计方法

摘要

本发明提供一种基于物理指导的机器学习算法的钢铁材料设计方法，涉及钢铁材料的设计和机器学习应用技术领域。本发明首先采集数据,采用多次留出法将数据划分训练集及测试集；根据训练集建立基于物理冶金学指导的支持向量机模型；将基于物理冶金学指导的支持向量机模型的相关系数大于90％的作为遗传算法中的目标函数；得到优化后的成分、工艺及最佳目标性能的材料；对于得到的大量设计结果采用SVC分类器进行分类筛选，输出其典型合金的成分、工艺、目标性能。本方法将物理冶金机制引入到机器学习中，同时结合优化算法形成完备的设计平台，设计结果更加符合物理冶金学原理。

主权项

1.一种基于物理指导的机器学习算法的钢铁材料设计方法，其特征在于：包括如下步骤：步骤1：建立数据集；步骤1.1：获取某类材料中g种材料的成分、工艺及其对应的目标性能，每一种材料的成分、工艺、目标性能为一组原始数据；g组原始数据形成原数据集；所述成分为材料的元素及含量，所述工艺为材料的工艺参数；原数据集用于作为材料目标性能预测的有效数据；对原数据集中的所有数据进行标准化处理，形成初始数据集；步骤1.2：根据某类材料的力学性能，在该类材料的所有物理冶金参数中选取与该类材料关联度大于S的冶金参数，所述S根据材料的类别决定，根据热动力学软件ThermoCalc或者物理模型计算原始数据集中每一组数据的冶金参数，将这些冶金参数进行标准化处理后，将其各作为一维变量添加到数据集中，形成标准数据集；步骤2：令划分比例为8：2，将标准数据集采用多次留出法第i次划分成训练集及测试集；其中划分次数i∈F，F为根据实验需求设置的划分总次数；步骤3：根据步骤2中的训练集建立基于物理冶金学指导的支持向量机模型，即SVR‑PM模型；步骤3.1：SVR算法中包括径向基核函数中的自由参数γ和SVR模型中的惩罚参数C，径向基核函数的表达式如下所示：其中,为训练集中第μ个数据,为训练集第j个数据，γ为自由参数，是函数的宽度参数，控制了函数的径向作用范围；SVR模型转化为二次凸规划如下式所示：s.t.y_μ(w·x_μ+b)≥1‑ξ其中C为惩罚函数，W为法向量，ξ为松弛变量，b为截距，y_μ为测试集中x_μ的目标性能；设定SVR算法中惩罚参数C的范围以及自由参数γ的范围，将范围内的参数C和自由参数γ以2^1/2为步长进行随机组合，获得U种惩罚参数C和自由参数γ的组合形式，形成参数集；步骤3.2：对参数集内的每种组合形式都根据步骤2中的训练集建立SVR‑PM模型；该模型为将成分、工艺、冶金参数作为SVR‑PM模型的输入，目标性能作为SVR‑PM模型的输出；最终得到U个SVR‑PM模型；分别求出U个模型的平方相关系数R²；第u个SVR‑PM模型的平方相关系数的计算公式如下：其中u∈U，n代表测试集中的数据总量，x_a为测试集中第a个数据，f(x_a)为x_a的SVR‑PM模型预测的目标性能值，y_a为x_a所对应的目标性能的真实值；步骤3.3：对每个模型的平方相关系数R²进行比较，将平方相关系数R²最大的模型设定为第i次划分下的最优SVR‑PM模型，将该模型下惩罚参数C和自由参数γ的组合形式设定为最优组合参数；步骤4：判断第i次划分下的最优SVR‑PM模型的相关系数是否大于90％，若否，则删除该模型，执行步骤6；若是，则执行步骤5，将该模型作为遗传算法中的目标函数；步骤5：在原数据集的范围内，通过结合SVR‑PM模型和遗传算法，对材料的成分及工艺进行设计；采用SVR‑PM模型作为遗传算法的目标函数，遗传算法被用于优化设计成分及工艺获得最佳目标性能的材料；步骤6：令i＝i+1，判断i是否小于等于F，若是，则将标准数据集内的数据随机打乱，执行步骤2重新划分训练集和数据集；若否，则执行步骤7，并输出设计结果集M＝{e₁、e₂、…、e_m}，其中e_m代表划分次数为第m次的设计结果数据组，该数据组包括成分、工艺、目标性能，m∈F；步骤7：利用原数据集对初始SVC分类器进行训练，采用网格搜索法对初始SVC分类器参数进行优化，得到SVC分类器，通过SVC分类器对设计结果集M中的每组数据进行评价，SVC分类器通过成分及工艺共同确定设计结果的类别，将数据按照目标性能从劣到优的顺序排列，每组数据中目标性能数值位于前80％的给予标签为：‑1，其中‑1代表低可靠性，目标性能数值位于后20％的给予标签为：1，其中1代表高可靠性；输出所有高可靠性的设计结果数据组，形成结果集K′＝{e₁、e₂、…、e_k}，其中e_k代表第k次划分下的带有高可靠性标签的设计结果数据组，k∈F；求出结果集内成分中每一维变量的均值，选择结果集内与均值最相近的数据组作为最终的典型合金，输出其典型合金的成分、工艺、目标性能。